“提取图片”能否不限于图片，包含字体等stream均可无损提取？

[MY1L]

使用场景 出于文字学术研究的目的，在 这 些 页 面 中有上百个PDF需要提取字体，只因这些PDF必须自定义字体以显示通常系统字体不支持的文字（不然就不成学术问题了）

功能应该怎样实现 界面、操作方式均同“提取图片”，仅无损导出stream即可，能批量导出就更好了，剩余（如判断文件真实格式加后缀名等等）我自己解决。

类似软件 我只用过PDF补丁丁1.0.0.4172版提取字体，但用的是探查器功能，非常艰苦。

[wmjordan]

可以考虑在导出信息文件的界面增加导出流对象的功能，不难，但是文件命名要想想怎么处理才好（暂时可能会考虑将流对象按类型分文件夹存储，文件名采用流对象的编号命名）。

[wmjordan]

PDF嵌入的字体一般是TTF子集，即使将流提取出来，也不能直接为操作系统所用。 阁下有办法做二次处理吗？

[MY1L]

但是文件命名要想想怎么处理才好

其它流不清楚，但字体可以考虑加上PS名，或者说被剥离掉字体信息后仅剩的那个被文字调用的字体名称，方便识别。

PDF嵌入的字体一般是TTF子集，即使将流提取出来，也不能直接为操作系统所用。有办法做二次处理吗？

这个一般人可能用不了，但对我而言没问题，已经试过多次了（毕竟我也是做字体的）

[wmjordan]

其实以前是有代码可以导内嵌数据流的，由于一直没有人提这样的需求，我个人又用不上这些数据流，所以就注释掉了。 现在把这些注释掉的这部分拿回来，再改改就可以了。 主要就是文件命名的事情，得重构上面的代码，增加给数据流命名的部分。

[wmjordan]

请下载新的测试版。 在“工具箱”的“导出导入信息文件”处，点击“信息文件配置”。 选中如下选项： 关闭对话框， 回到“导出导入信息文件”页面，指定输出信息文件的目录，再点击“导出信息文件”。

在输出信息文件的目录处会找到一个“数据流”文件夹，里面以FontFile2开头的文件就是嵌入到PDF的字体子集数据。

[MY1L]

太好了。只是必须勾选“导出字典”，能否仅“导出流”？如果仅导出字体流就更好了，有时会导出一大堆不用的图片流。

用 https://www.unicode.org/charts/PDF/U2F00.pdf 试验： 发现导出许多0KB的流，这些是否可以跳过？ 还发现有许多CIDSet.*.dat文件内容在16进制的80之后全是00，也可以跳过。 话说pdf里的字体通常会保留一个PostScript名以备调用，是否可以考虑在数字后附加PS名来命名字体流？PDF有时能导出几十个字体流，导致需要逐一打开检查名称。 同时还发现，如果字体流后缀名改为用ttf，有些较完整的字体就可以直接阅览字体缩略图了，而且也能迅速找到不完整的字体。

啊，刚才发现补丁丁可以查看字体名的，这个名称就可以：

[wmjordan]

是的，要勾选“导出字典”。 下个版本不导出0KB的流。 CIDSet文件，在80后面很多00之类的暂时别纠结了。 附加PS名是可行的，稍麻烦一点，改改代码就可以。 后缀改TTF是可行的。等我看看是否可判别哪些是完整字体，哪些是字体子集，可按具体情况处理，那就更完善了。

[MY1L]

报告一个pdf：https://www.unicode.org/L2/L2022/22046-myanmar-numerals.pdf 目标是提取Myanmarnumerals这个字体。但补丁丁导出的字体流似乎都损坏了，字体软件无法打开。 但别人能使用 https://mupdf.readthedocs.io/en/latest/mutool-extract.html 这个功能从中提取出可以打开的 Myanmarnumerals-Regular.otf（三次曲线） 不清楚问题在哪里。

[wmjordan]

我查了 mutool 的代码，纯粹就是解压字体流，没什么特殊处理的。 PDF补丁丁也是这样处理。

查 VVSDUS+Myanmarnumerals-Regular 在 PDF 字典里的 Type，可见它是一个 Type1C 字体（CFF 格式）。 试用支持 CFF 格式的字体软件来打开它。 你也可以用字体转换工具（例如：https://convertio.co/cff-ttf ），把它转换成 TTF 或其它形式的字体。

VVSDUS+Myanmarnumerals-Regular.zip

[MY1L]

可能是CFF的问题，报错为“字体 head table 缺失”。 不过别人发给我的（.otf）相比补丁丁导出的（.dat，改otf）多出2KB（或别人有修复过？我再问一下对方细节），软件能正常打开前者，是三次曲线的。压缩包附上这2个文件以便研究：22046-myanmar-numerals.zip 一般来说无转换的三次曲线，比二次曲线质量更好，所以我想尽可能不用cff2ttf。呃，发现convertio.co把原始的字形名改了。

[MY1L]

继续报告位于Roadmap to the SMP的PDF。用1.0.0.4182版导出字体， https://www.unicode.org/L2/L2023/23122-kashmiri-sharada.pdf 未能输出目标字体“SatisarSharada”，只有各种微软Calibri字体，不过这些字体都能打开。 我更新了1.0.0.4200版继续，但这次输出的字体流就都打不开了。 重新测试，前述问题未能复现，不过还是未能输出“…Sharada”

https://www.unicode.org/L2/L2023/23019-sidetic.pdf 目标是sidetic字体，但打开检查字体名时报错，强制退出，没能看见字体名。2个版本都是，报错信息如下：

System.ArgumentOutOfRangeException:
有效的 UTF32 值介于 0x000000 和 0x10ffff 之间(包括这两者)，而且不能包含代理项码位值(0x00d800 ~ 0x00dfff)。
参数名: utf32

这2个PDF兴许各有什么特别的问题。

[wmjordan]

未能输出目标字体“SatisarSharada”

有这个字体

用 BabelMap 加载并分析该字体库可见目标字符。

如果导出信息文件时提示编码错误，可以更改输出文档的编码规则。

[MY1L]

先前所述的并非“Satisar Sharada”，其实是“S…Sharada Proposal”，不过关键问题已解决。

sidetic仍有一点问题如下。

---

继续报告PDF，这次只用1.0.0.4200版。

1.有个界面逻辑问题：在PDF补丁丁打开某个PDF（此时位于编辑器界面），点击工具栏“导入导出信息文件”按钮，打开的是一个空白窗口提示导入PDF，没有像预期的那样将已打开的PDF置入，印象中以前版本是可以的。

2.前段时间有新的统一码减字谱提案（IRGN2645，提案文件巨大，因此提取第19页给你：19.pdf。 在编辑器页面，只要鼠标移到减字（应该都是位于私用区增乙的字符，19.pdf亦可复现）上立即报错：

************** 异常文本 **************
System.ArgumentOutOfRangeException: 有效的 UTF32 值介于 0x000000 和 0x10ffff 之间(包括这两者)，而且不能包含代理项码位值(0x00d800 ~ 0x00dfff)。
参数名: utf32
……

这就没法操作了，由于先前sidetic那个文档也是这样（鼠标移到塞德文字上立即报错），想了解是什么原因。

---

看见你用的BabelMap似乎没有汉化完全？恰好我做了统一码各种名词翻译，译名经过考据，可用于汉化：https://github.com/MY1L/Unicode/tree/main/Blocks

[wmjordan]

先前所述的并非“Satisar Sharada”，其实是“S…Sharada Proposal”，不过关键问题已解决。

sidetic仍有一点问题如下。

继续报告PDF，这次只用1.0.0.4200版。

1.有个界面逻辑问题：在PDF补丁丁打开某个PDF（此时位于编辑器界面），点击工具栏“导入导出信息文件”按钮，打开的是一个空白窗口提示导入PDF，没有像预期的那样将已打开的PDF置入，印象中以前版本是可以的。

那个界面没有那种设计。带有批量处理列表的功能都没有那种设计。

2.前段时间有新的统一码减字谱提案（IRGN2645，提案文件巨大，因此提取第19页给你：19.pdf。 在编辑器页面，只要鼠标移到减字（应该都是位于私用区增乙的字符，19.pdf亦可复现）上立即报错：

************** 异常文本 **************
System.ArgumentOutOfRangeException: 有效的 UTF32 值介于 0x000000 和 0x10ffff 之间(包括这两者)，而且不能包含代理项码位值(0x00d800 ~ 0x00dfff)。
参数名: utf32
……

这就没法操作了，由于先前sidetic那个文档也是这样（鼠标移到塞德文字上立即报错），想了解是什么原因。

属于缺陷。下个版本将其修复。

看见你用的BabelMap似乎没有汉化完全？恰好我做了统一码各种名词翻译，译名经过考据，可用于汉化：https://github.com/MY1L/Unicode/tree/main/Blocks

谢谢告知。是我特意没汉化不常用的语种区块（保留英文）。这样常用的中日韩等汉语言体系、拉丁语种和通用区块就会比较明显。